기술 요약: 위상장 파괴를 위한 조건부 디노이징 확산 모델을 통한 불확실성 인지 균열 성장 예측

1. 문제 정의

전통적인 고충실도 위상장 유한요소법(Phase-field FEM)을 이용한 취성 균열의 개시, 전파 및 복잡한 위상적 진화의 정확한 예측은 계산 비용 측면에서 매우 부담스럽다. 위상장 모델은 명시적인 추적 없이도 날카로운 균열 표면을 성공적으로 정규화하지만, 각 하중 증분 단계에서의 비선도적 및 비볼록 에너지 최소화 과정은 미세한 공간 이산화와 상당한 실행 시간(시뮬레이션당 수 시간)을 필요로 한다. 이러한 병목 현상은 실시간 구조 평가, 대규모 파라미터 연구 및 불확실성을 고려한 설계 최적화를 가로막는다.

또한, 파괴 분야의 기존 머신러닝(ML) 대리 모델은 주로 결정론적 아키텍처(예: U-Net, Fourier Neural Operator)에 의존한다. 이러한 모델은 주어진 입력에 대해 단일 출력을 생성하는데, 이는 파괴의 물리적 특성과 근본적으로 상충된다. 구조적 분기점(Bifurcation points)에서 여러 개의 기계적으로 허용 가능한 균열 경로가 존재할 수 있는데, 결정론적 모델은 필연적으로 이러한 경로들을 "뭉개버리거나(smear)" 하나를 무작위로 선택하게 되어, 내재된 해의 다중성을 포착하지 못한다. 본 연구는 계산 효율성이 높을 뿐만 아니라, 불확실성을 정량화하고 다중 모드(Multimodal) 파괴 결과를 포착할 수 있는 확률적 샘플링 능력을 갖춘 대리 모델의 필요성을 해결하고자 한다.

2. 방법론

2.1 물리 정보 기반 조건부 DDPM

저자들은 위상장 손상 필드($\phi$)의 전체 필드 시공간 예측을 위한 **조건부 디노이징 확산 확률 모델(Conditional DDPM)**을 제안한다. 이 모델은 고정된 가우시안 노이징 과정을 역전시켜, 과거 상태 및 운동학적 프록시(Kinematic proxies)에 조건화된 다음 시간 프레임의 손상 필드를 합성하는 법을 학습한다.

• 조건화 메커니즘: 표준 이미지 간 변환과 달리, 이 모델은 다음과 같은 물리 인식 특징 텐서에 의해 조건화된다:
  • 공간적 특징: 이전 5개 위상장 프레임의 시간적 이력 창(Window), 손상 속도장($\partial \phi / \partial t$), 그리고 위상장 그래디언트 크기($\|\nabla \phi\|$). 이러한 운동학적 프록시는 손상 축적, 성장 방향 및 국부적 응력 강도를 명시적으로 인코딩한다.
  • 스칼라 특징: 시간 임베딩, 하중 유형(전단 vs 이축 인장), 그리고 거시적 균열 밀도.
• 아키텍처: 노이즈 예측 네트워크는 두 개의 병렬 조건부 경로를 가진 U-Net 백본을 사용한다:
  1. 공간적 조건화: 7채널 공간 특징 텐서를 노이즈가 섞인 입력과 채널 축을 따라 결합(Concatenation).
  2. 스칼라 조건화: MLP를 통해 전역 상태 변수를 U-Net 바틀넥(Bottleneck)에 주입.
• 물리적 제약: 확산 모델이 아키텍처적으로 비가역성($\dot{\phi} \geq 0$)을 강제하지는 않지만, 추론 시 사후적 단조 투영(Post-hoc monotonic projection)을 적용하여 손상이 감소하지 않도록 보정하며, 이를 통해 확률적 샘플링을 왜곡하지 않고 드문 위반 사례를 수정한다.

2.2 데이터셋 및 평가 프로토콜

모델은 6,000개의 위상장 시뮬레이션(Hamdi와 Lejeune [32])으로 구성된 표준 벤치마크 데이터셋에서 학습 및 평가된다.

• 학습: 네 가지 서브셋(전단/인장 하중 및 스펙트럼/체적/성형 볼록 에너지 분해의 조합)에 걸친 4,000개의 시뮬레이션.
• 검증: 교차 영역 일반화(예: 전단 하중과 성형 볼록 분해의 조합)를 테스트하기 위해 홀드아웃된 2,000개의 "미경험(Unseen)" 시뮬레이션.
• 지표: 평가는 전역 픽셀 정확도보다 균열 특유의 위상적 지표를 우선시하며, 여기에는 Dice 계수, IoU(Intersection over Union), Hausdorff 거리, 균열 선단 국부화 오차, 균열 길이 오차, 그리고 베티 수(Betti numbers, 위상적 정확성)가 포함된다.

2.3 불확실성 정량화 (UQ)

불확실성은 학습된 모델을 수정하지 않고 **앙상블 분산(Ensemble variance)**을 통해 정량화된다. 동일한 입력에 대해 서로 다른 초기 가우시안 노이즈 샘플을 사용하여 역방향 확산 체인을 $N$번 실행함으로써, 모델은 물리적으로 타당한 균열 경로의 앙상블을 생성한다. 이 앙상블의 픽셀별 표준 편차는 불확실성 맵 역할을 하며, 여러 경로가 허용되는 구조적 분기점에서 집중될 것으로 기대된다.

3. 주요 결과

3.1 예측 정확도 및 일반화

• 단일 단계 성능: 모델은 홀드아웃 검증 세트에서 0.9948의 Dice 계수를 달성하여 강력한 교차 영역 일반화 성능을 입증했다.
• 균열 국부화: 모델은 평균 오차 0.12 픽셀로 균열 선단의 서브 픽셀 정확도를 달성했다.
• 위상적 정확성: 모델은 Betti-0 일치율 92.9%, 폐쇄 루프에 대한 조건부 Betti-1 일치율 95.2%를 유지하며 높은 위상적 충실도를 보여주었다.

3.2 자기회귀적 안정성 (Autoregressive Stability)

폐쇄 루프 자기회귀 롤아웃(50 단계, 교사 강제 학습 없음)에서:

• DDPM은 0.929 ± 0.010의 Dice 점수를 유지한다.
• 동일한 조건에서 학습된 결정론적 U-Net은 오차 누적으로 인해 Dice 점수가 0.423으로 붕괴된다.
• 이 2.2배의 성능 격차는 확률적 재샘플링이 고정점 예측기를 저하시키는 체계적 오차 전파를 방지함을 확인시켜 준다.
• 오차 성장 분석 결과, 픽셀별 평균 절대 오차(MAE)는 아선형적으로($b \approx 0.865$) 성장하는 반면, 위상적 오차(1-Dice)는 선형적으로($b \approx 1.035$) 성장한다.

3.3 불확실성 정량화 성능

• 국부화: 앙상블 분산은 균열 분기 지점(예: Y-접합부에서 $\sigma_{max} = 0.222$)에 구체적으로 집중되는 반면, 결정론적 전파 구간에서는 거의 0에 가깝다.
• 정밀도: 고불확실성 픽셀은 90%의 정밀도로 실제 오차가 높은 예측을 식별하며, 이는 무작위 선택 대비 18배 향상된 수치이다.
• 보정(Calibration): 모델은 예측된 불확실성과 실제 균열 픽셀 오차 사이에서 양의 스피어먼 순위 상관관계($\rho = 0.269$)를 보인다. 커버리지 분석에 따르면 모델은 분기 구역에서 약간 과소 분산(Under-dispersed)되어 있으나 공학적 판단(Triage)을 수행하기에는 잘 보정되어 있다.

3.4 계산 효율성

• FEM 대비 속도: H100 GPU에서의 추론은 단계당 약 3.6초가 소요되며, 이는 FEM 참조 모델(100 단계에 2.8시간)보다 약 28배 빠르다.
• 결정론적 모델 대비 비용: DDPM은 결정론적 U-Net(단계당 4.2 ms)보다 약 1,000배 느리다. 저자들은 이 비용이 다양한 확률적 샘플을 생성하기 위해 필요한 1,000단계의 역방향 확산 체인의 반복적 특성 때문이라고 설명한다.

4. 의의 및 주장

본 논문은 결정론적 ML 접근 방식의 한계를 극려하는 확률적으로 보정된 생성적 대리 모델을 구축하였다. 주요 기여는 다음과 같다:

1. 확률적 다중성 (Stochastic Multiplicity): 복잡한 균열 경로를 평균화해버리는 결정론적 대리 모델과 달리, DDPM은 분기점에서의 균열의 다중 모드 특성을 포착하여 단일 훈련 모델으로부터 다양하고 물리적으로 타당한 결과를 생성한다.
2. 내재적 불확실성 정량화: 모델은 별도의 독립적인 모델들을 학습시킬 필요 없이(딥 앙상블 방식과 달리) 공간적으로 국부화된 불확실성 맵을 제공한다. 이를 통해 엔지니어는 고위험 영역(구조적 불안정성)을 높은 정밀도로 식별할 수 있다.
3. 장기 예측 안정성: 확률적 재샘플링 메커즘은 결정론적 자기회귀 롤아웃에서 관찰되는 치명적인 오차 누적을 방지하여, 안정적인 장기 예측을 가능하게 한다.
4. 공학적 유용성: 불확실성 출력은 "엔지니어링 트리아지(Engineering Triage)"를 위한 실질적인 도구로서, 고오차 예측에 대한 표적 검증을 가능케 하여 고충실도 시뮬레이션과 실시간 구조 건전성 모니터링 사이의 간극을 메운다.

본 연구는 확산 모델의 계산 비용이 결정론적 대안보다 높음에도 불구하고, 불확실성을 정량화하고 구조적 다중성을 포착하는 능력이 안전이 중요한 애플리케이션 및 리스크 인지형 계산 역학을 위해 그 비용을 정당화한다는 결론을 내린다.